一、往复泵泵阀故障的细化谱诊断法（论文文献综述）
闫晓丽[1]（2021）在《基于数学形态学与混沌理论的滚动轴承故障诊断研究》文中指出滚动轴承作为组成旋转机械设备的重要部件,在其运行过程中发挥着关键性的作用。滚动轴承的健康状态直接影响着整个机械设备的安全性以及可靠性。及时判断滚动轴承的运行状态,在发生故障的情况下识别故障类型以及评估故障的严重程度,能有效避免设备陷入失效控制,最大程度的降低机械设备运行的风险与损失。本文以数学形态学与混沌理论为基础,以分析振动信号所反映的被测对象动力学特性为出发点,开展滚动轴承故障诊断的研究工作。本文的主要工作如下:（1）在数学形态学基本理论的基础上,研究了基于偏微分方程（Partial differential equations,PDEs）的形态学运算在滚动轴承振动信号降噪中的应用。针对传统形态滤波的参数选择以及波形失真问题,提出了一种基于PDEs的自适应平滑连续尺度形态学滤波（PDEs smoothed multiscale morphological filtering,PSMMF）的振动信号噪声抑制的方法。利用不同尺度形态学滤波结果残余差的多尺度排列熵自适应选取最优尺度组合,构造连续尺度形态学滤波器,采用B-样条插值平滑形态滤波后的结果改善波形失真问题。将所提方法应用于滚动轴承振动信号的降噪预处理过程中,通过提升振动信号的信噪比,增强信号的非线性动力学特征。仿真与实验表明所提方法在滚动轴承振动信号的信噪比提升方面具有优势性。（2）在基于PDEs的形态学运算和分形理论的基础上,提出了一种基于复合多尺度形态学（Composite multiscale morphological fractal dimension,CMMFD）的分形维数估算方法,并将该算法应用于滚动轴承故障信号的分形特征的提取中。首先,采用PSMMF方法对振动信号进行降噪预处理,在不破坏振动信号中所反映的被测对象动力学特性的情况下抑制干扰噪声。随后,利用复合尺度粗粒化分析对降噪后的振动信号进行处理,再利用基于通量校正传输（Flux-corrected transport,FCT）方案的形态学运算估计不同尺度粗粒化序列的分形维数,构造CMMFD特征向量。最后,将特征向量输入分类器识别故障类型。实验结果表明CMMFD方法能有效的解决单一尺度分形维数的状态空间重叠问题,实现滚动轴承不同故障类型的有效区分,可为设备健康状态分析和故障类型识别提供可靠的诊断依据。（3）滚动轴承在故障发生的早期阶段,表征故障特征的信号成分相对微弱,往往淹没于强背景噪声中难以识别。针对这一问题,提出了一种基于混沌振子与形态分析的滚动轴承微弱故障检测的方法。在研究典型混沌振子非线性动力学行为特性的基础上,利用混沌振子吸引子形态在不同状态下可能产生变化的特性,将基于PDEs的形态学运算应用于量化混沌振子输出信号的吸引子形态特征的分析中,采用CMMFD形态学分析方法,提取不同参数下混沌系统输出的振动信号形态特征,分析混沌振子状态发生变化时形态特征的变化,将其作为判断混沌振子状态发生变化的定量判断依据,最后利用变尺度与振子阵列结合的方法检测故障信号的特征频率,判断故障类型。仿真和实验分析表明CMMFD与混沌振子相结合的方法能够有效实现处于轻微退化阶段的滚动轴承故障的识别。（4）针对滚动轴承的性能退化程度难以有效评估的问题,以数学形态谱和PDEs形态运算为基础,提出了一种基于连续尺度形态学差值谱（Continuous-scale mathematical pattern difference spectrum,CMPDS）分析的轴承性能退化评估方法。首先利用CMPDS提取滚动轴承振动信号的形态谱特征,结合局部保留投影（Locality preserving projection,LPP）方法对高维特征进行降维。然后采用低维特征训练初始嵌入式隐马尔可夫模型（Embedded hidden Markov model,EHMM）,组合所有初始EHMM构造全局EHMM模型。最后将CMPDS特征向量输入全局EHMM训练滚动轴承退化性能模型。对全寿命周期滚动轴承振动信号进行分析的结果表明,所提方法能有效实现滚动轴承的性能退化评估。
孙弋[2]（2020）在《基于深度学习的小样本条件下轴承故障诊断技术研究》文中研究表明机电装备中的旋转部件,如轴承、齿轮、丝杠等,是重大机电装备传动系统的关键部件。在机电装备稳定运行的过程中,其传动部件长期处于交变载荷的条件下运行。运行过程某一部件的局部损伤极易演化为晚期故障,进而引起传动系统瘫痪,最终导致整台设备的停机乃至整条生产线的停工。针对上述问题,本文以旋转部件中故障多发的零件（轴承）为研究对象,以拥有强大特征提取能力的卷积神经网络为基础,提出将特征提取、特征降维以及分类器三个环节合而为一的智能诊断模型。同时针对轴承小样本条件下故障诊断问题,提出基于数据层面和算法层面相结合的模型优化方法,为解决小样本问题提供一种新的可能性。首先,完成轴承试验台的搭建工作,包括硬件选型、测试原理介绍、实验设置和数据分析。其次,以基本层级结构为展开对卷积神经网络进行分析,包括卷积层、激活层、池化层和全连接层。随后,建立本文所使用的故障诊断数据集。最后,基于上述工作,搭建一个包含5个卷积层的神经网络模型。该模型以时域振动信号作为输入,拥有层级结构简单、计算资源占用量小、模型可塑性强等特点。利用本文建立的数据集对模型进行测试,其分类准确率均高于95%,是论文后续研究的基石。针对故障诊断中的环境噪声难以消除与工作负载变化引起的振动信号分布改变的问题。本文将其归纳为深度学习中的领域自适应问题,即目标领域（测试集）的分布与源领域（训练集）的分布不一致的情况。为解决上述问题,从领域自适应的角度,对论文第二章提出的模型进行分析及优化,包括针对变负载问题基于Ada BN算法的模型优化和针对环境噪声问题基于第一层大尺寸卷积核的模型优化。针对小样本问题带来的故障信息缺失,导致训练后的模型很容易陷入过拟合的问题。本文,在数据层面采用过采样和生成式对抗网络（Generative Adversarial Networks,GAN）相结合,自适应地生成高质量的虚拟样本;在算法结构层面采用卷积核Dropout算法和小批量训练相结合,在保证分类准确率的基础上提升模型的泛化性,为解决小样本问题提出一种新的可能性。经过上述技术手段的优化,模型在不依靠任何目标领域信息的情况下,依然具有优良的抗噪性与负载自适应能力。最后,针对算法的落地以及系统的推广,搭建了故障诊断软件系统,软件编程语言和库包括:Python3.7、Tensor Flow2.0和Py Qt5。基于模块化编程思想,将软件划分为以下相对独立的子模块,包括测试人员管理模块、信号分析模块、典型故障样例库模块以及智能故障诊断模块。并且,使用本课题轴承试验平台所采集的数据对软件进行实测,结果表明软件系统不仅可以从时域、频域以及时频域的角度进行信号分析,还可以自动完成样本划分工作并进行轴承故障诊断。
罗继辉[3]（2020）在《基于深度置信网络的高压隔膜泵单向阀故障诊断研究》文中指出单向阀是往复式高压隔膜泵中最主要的组件之一,其工作状态直接影响到高压隔膜泵运行的安全性和企业的生产效率。在生产过程中,往复式高压隔膜泵工作环境恶劣、工况多变,所输送矿物浆体等通常具有高压、高温、高腐蚀和高浓度等特性,且其自身机械结构复杂,各运动部件间互相产生影响,因此,所采集到的单向阀振动信号呈现非平稳非线性、成分复杂且伴随着强噪声,导致特征提取和故障诊断难度大。针对这个问题,结合时频分布图像在表征信号特征信息方面的优势,以及深度学习能够挖掘数据内在联系,建立特征与状态间复杂的映射关系的优点,提出了基于深度置信网络的单向阀故障诊断方法,主要研究内容如下:（1）针对单向阀振动信号呈现非平稳非线性、成分复杂且伴随着强噪声,单一域的特征表示如时域或频域特征等不能很好地表征振动信号,会受到较多无关信息影响的问题,提出使用振动信号的时频分布图像来表征单向阀的状态特征。获取单向阀振动信号的短时傅里叶变换（Short-time Fourier Transform,STFT）、Wigner-Ville分布（Wigner-Ville Distribution,WVD）、S变换（S-transform）以及广义S变换（Generalized S-transform）4种时频分析方法的时频分布图像,通过分析对比,广义S变换的时频分布图像具有受噪声干扰小、时频聚集性更好的优势,且在各种运行状态下的广义S变换时频图像在能量密度分布上具有明显的差别,能够较为准确地完成单向阀的故障检测。（2）关于往复式高压隔膜泵单向阀故障机理研究尚不完全成熟,没有确定的指标或是时间频率函数等来表征单向阀的状态信息,因此,在基于时频分布图像能够区分单向阀运行状态的基础上,引入模式识别方法,提出基于广义S变换和深度置信网络（Deep Belief Network,DBN）的单向阀故障诊断方法。首先使用广义S变换得到各状态振动信号的时频分布图像,之后用二维非负矩阵分解（2-Dimension Non-negative Matrix Factorization,2DNMF）计算时频图像的行基矩阵、列基矩阵以及特征矩阵,同时完成对时频图像的降维,降低计算量,最后将特征矩阵转换为特征向量输入DBN故障分类模型,完成单向阀的故障诊断。通过实验分析比较,证明了该方法的可行性。（3）使用DBN分类识别之前需要将特征矩阵重新排列成向量,会丢失时频分布图像二维平面上的特征,且DBN参数多、计算量大。针对这个问题,结合卷积神经网络（Convolutional Neural Networks,CNN）的优点,提出了基于广义S变换和卷积深度置信网络（Convolutional Deep Belief Network,CDBN）的单向阀故障诊断。使用阈值分割法分割压缩过的广义S变换时频分布图像,突出时频图像的能量密度分布较高的部分,之后直接将特征矩阵输入CDBN故障分类模型进行故障分类。通过实验分析对比,结果表明CDBN故障分类模型收敛速度快、识别准确率高,表明该方法能够很好地完成单向阀的故障诊断。论文以单向阀为研究对象,针对单向阀振动信号中特征信息不易提取的问题,提出了时频分布图像和深度学习相结合的故障诊断方法,实现了单向阀的故障特征提取以及故障诊断。
黄文艺[4]（2019）在《基于特征优化与自主学习的滚动轴承故障诊断与性能退化评估》文中认为旋转机械故障诊断技术对于实际工程安全保障有重要意义,其关键在于故障特征的有效性。传统特征提取方法主要依赖于专家知识和信号处理技术。然而,在处理复杂工况下的机械振动信号时,基于传统方法的特征对故障的敏感度不稳定,缺乏对特征的自适应优化。自主特征提取方法是一种新型的特征提取方法,与传统特征提取方法不同的是该方法将原始信号进行多次转换且转换后的数据能够最优地逼近原始数据,从转换后的数据中提取典型特征作为信号自适应特征。但对于不同诊断目标的自主特征提取方法在模型的选取和物理意义等方面的研究仍然存在不足,其理论需进一步完善。此外,在旋转机械实际服役过程中工况往往是变转速变载荷的,由运行工况对特征层面的影响很容易淹没由故障引起的特征变化,因此提取故障特征存在困难。综上,对于不同工况下不同特征提取方法的理论研究和实际应用仍需要进一步探索。论文在国家自然科学基金项目（编号:51575168、51875183）的资助下,分别对特征优化和特征自主学习方法在恒定工况与变工况下的旋转机械故障诊断与性能退化评估中的应用进行了研究和改进,并将其应用于滚动轴承故障诊断与性能退化评估中。论文主要研究工作和创新性成果有:（1）针对轴承全寿命数据中处于健康状态的样本过于冗长,影响对特征有效性分析的问题,提出有限特征样本判定（Limited Feature Sample Selection,LFSS）方法用于早期故障敏感样本的提取。此外,针对基于蝙蝠二进制（Binary Bat Algorithm,BBA）算法的特征选择方法存在易陷入局部最优的缺陷,提出了反馈搜索二进制蝙蝠算法（Feedback Seeking Binary Bat Algorithm,FSBBA）。该算法通过增加猎物品质对蝙蝠速度影响有效提高了算法的全局搜索能力。基于LFSS与FSBBA算法,构建了滚动轴承在线状态评估模型,并将其运用于两例滚动轴承全寿命数据特征选择,性能退化评估指标分析结果表明了所提出方法的有效性。（2）针对变工况下传统特征无法准确表征故障,提出了基于冗余属性投影（Nuisance Attribute Projection,NAP）的祛工况投影方法。首先,通过分析不同转速下的轴承仿真信号验证了NAP能有效祛除特征域中的工况信息;其次,通过分析不同转速下轴承的不同故障模式实测信号和不同故障程度仿真信号验证了NAP投影后的特征仍保留故障模式信息与故障程度信息;最后,变工况下的滚动轴承全寿命实验再次验证了NAP的祛工况能力。同时,通过对比分析基于排列互信息（Ranking Mutual Information,RMI）的特征选择方法与NAP方法的应用顺序对滚动轴承性能退化评估结果的影响可以推测在故障诊断中NAP方法应在特征选择方法前使用。（3）引入深度学习模型应用于恒定工况下旋转机械性能退化评估,提出了基于卷积稀疏组合学习（Convolutional SparseCombination Learning,CSCL）的滚动轴承性能退化评估方法。将深度学习中的卷积稀疏编码方法与组合学习方法结合用于恒定工况下滚动轴承的特征提取。通过分析CSCL在不同故障程度的轴承仿真信号中稀疏解和重构信号的变化,揭示了子字典中故障相关原子的激活能量会随着故障程度的加深而增加,而基于稀疏解的重构误差则会减少。结合以上两者的变化,提出了基于原子激活能量和重构误差的性能退化指标。将CSCL算法运用至滚动轴承全寿命数据中,评估结果验证了该方法比传统方法更具优势。同时,对比实验证明了组合学习能够达到提高了模型计算的实时性与对性能退化评估结果进行优化的目的。（4）引入深度学习模型应用于恒定工况下旋转机械故障诊断,提出了基于多尺度级联卷积神经网络（Multiscale CascadeConvolutional Neural Network,MC-CNN）的滚动轴承故障智能识别方法。MC-CNN方法是一种对输入进行信息增强的改进卷积神经网络算法,其模型结构是在原始卷积神经网络（Convolutional Neural Network,CNN）的首层增加一层多尺度级联层,通过将原始信号与不同长度的卷积核进行卷积运算并将输出结果串接以构造一个具有更多可分辨信息的级联信号。通过对正常和噪声环境下的四类轴承故障信号进行分类,验证MC-CNN的有效性且识别效果优于原始CNN。深度分析多尺度级联层中的卷积核可以发现不同尺度卷积核的作用是挖掘不同频率分辨率下不同故障模式在频率中的差异。最后,通过对比原始CNN与MC-CNN的T-分布随机邻域嵌入（T-distributed Stochastic Neighbor Embedding,T-SNE）聚类效果进一步验证了所提方法的有效性。（5）引入深度学习模型应用于变工况下旋转机械故障诊断,提出了基于小波时频图和二维MC-CNN的变工况下滚动轴承故障诊断方法。由于变工况下相同故障模式造成时频域的敏感频带虽然会随转速变化发生偏移、随载荷变化引起能量变化,但其形状基本不变。因此,基于时频图与具有平移不变性的二维卷积神经网络的变工况下滚动轴承故障诊断方法是合理的。与一维MC-CNN的思路一致,为了对时频图进行信息增强,将不同尺度的卷积核与时频图进行卷积后进行拼接得到多尺度级联图作为卷积层的输入。实验证明基于小波时频图与二维MC-CNN的故障诊断方法不仅能提取故障相关特征,且相比其他方法对工况具有更高的泛化能力和鲁棒性。
吴漫,冯早,黄国勇,牟竹青[5]（2019）在《基于变分模态分解和Wigner-Ville的单向阀早期故障诊断》文中研究说明针对大型往复式机械设备高压隔膜泵单向阀早期故障难以识别的问题,该文提出基于变分模态分解（variational mode decomposition,VMD）和Wigner-Ville的单向阀早期故障诊断方法。首先,利用VMD将原始振动信号分解成有限个IMF分量,基于观察中心频率法筛选富含故障信息的IMF分量;然后,利用魏格纳-维利分布（Wigner-Ville distribution,WVD）对筛选后的IMF分量计算,得到每个分量的Wigner-Ville分布;最后,将各项结果线性求和得到信号的WVD分布。经仿真与工程实验分析,该方法能较好表征出振动信号中所蕴含的单向阀早期故障特征信息,能实现高压隔膜泵单向阀早期故障诊断。
吴漫[6]（2019）在《高压隔膜泵单向阀的微弱故障诊断研究》文中提出单向阀是高压隔膜泵的主要零部件,其工作运行状态是否正常对高压隔膜泵的安全性及稳定性起着至关重要的作用。因此,开展单向阀的故障诊断研究,具有重要的研究意义和工程应用前景。在实际工程中,由于高压隔膜泵受到恶劣的工作环境、多变工况、复杂的设备结构以及隔膜泵之间部件相互关联的影响,致使单向阀的故障信号不仅表现出非平稳性、非线性、多层次性、耦合性和复杂性等特性,且伴随着强大的背景噪声,导致单向阀的故障特征较微弱,对单向阀故障特征提取及故障诊断造成了极大的干扰。针对此问题,研究内容如下:（1）针对强背景噪声下单向阀故障信号的非平稳性和非线性导致其微弱故障难以诊断的问题,提出基于变分模态分解（Variational Mode Decomposition,VMD）和Wigner-Ville的单向阀微弱故障检测方法。首先采用变分模态分解方法处理低信噪比的单向阀故障信号,然后利用具有较好时频聚集性的Wigner-Ville分布方法表征单向阀故障信号能量分布,最后比较单向阀三种状态振动信号的时频分布图。通过单向阀工程实验分析表明所提出的方法能有效分析单向阀微弱故障特征和实现单向阀微弱故障的定性诊断。（2）针对强背景噪声下单向阀故障信号的多层次性、耦合性和复杂性导致其微弱故障特征难以用一个确定的时间或频率函数来表征,以及上一章所提出方法只能定性表征单向阀微弱故障的问题,提出基于VMD-SVD（Singular Value Decomposition,SVD）的单向阀微弱故障特征提取及诊断方法。沿用上一章VMD方法的优越性,提取奇异值特征组成特征向量表征单向阀的运行状态,然后采用单一奇异值分界值法对特征向量进行定量分析,最后采用多变量预测模型（Variable Predictive Based Class Discriminate,VPMCD）方法进行模式识别。通过单向阀工程实验分析表明所提方法能有效且定量分析单向阀微弱故障特征和单向阀微弱故障诊断。（3）针对上一章VMD方法在降噪同时削弱了有用信号使得故障信号的信噪比较低和多变量预测模型方法识别结果具有偶然片面性和泛化能力较低的问题,提出基于自适应随机共振和多模型融合的多变量预测模型（Multi-mode Fusion Variable Predictive Based Class Discriminate,MFVPMCD）的单向阀微弱故障诊断方法。沿用上一章VMD-SVD提取奇异值特征的优越性,采用自适应随机共振方法增强微弱故障信号的信噪比和利用的统计概率方法优化变量预测模型。通过单向阀工程实验分析表明所提方法能有效且高精度地实现单向阀的微弱故障诊断,且能克服识别结果泛化能力低和偶然片面性的问题。论文主要针对单向阀的微弱故障特征难以提取和诊断的问题,提出了一系列故障特征提取及诊断的方法,实现了高压隔膜泵单向阀微弱故障的有效诊断。
张丹威[7]（2019）在《强噪声干扰下的单向阀故障诊断方法研究》文中研究表明矿浆管道在工业输送中运用越来越广泛,其输送矿浆的最核心动力设备是往复式高压隔膜泵,高压隔膜泵能否保持正常的工作状态将会直接对企业的生产效率造成影响。高压隔膜泵关键部件之一是单向阀,由于其工作频率很高且机理复杂,导致其成为高压隔膜泵关键部件中最易频繁发生故障的部件。矿浆管道输送过程中由于所输送矿物的粒径大小不均、且矿浆浆体具有较强的流变特性,造成了突发性的、并发性的、多源性的、不确定性的等不同程度的单向阀故障,同时也造成非平稳性和非线性等特点的单向阀振动信号的出现。并且当高压隔膜泵运行时产生的周围环境噪声以及单向阀周围部件的运行所产生的噪声,导致单向阀的振动信号受到巨大的噪声干扰,使得传统方法在对单向阀的故障检测和诊断很难到达良好的效果。针对此问题,本文展开了以下几点研究:（1）针对传统奇异值分解方法在分解过程中其延迟步长及重构维数均由经验选定的不确定性及针对强噪声干扰下导致单向阀故障难以诊断的问题,提出相关系数奇异值分解（Singular Value Decomposition,SVD）的单向阀故障诊断方法。首先对原始单向阀振动信号利用经验模态分解（Empirical Mode Decomposition,EMD）进行降噪预处理,重构EMD分解得到的本征模态函数（Intrinsic Mode Function,IMF）,将重构信号输入到相关系数SVD系统中,利用相关系数自适应的确定奇异值分解过程中的延迟步长和重构维数,进而筛选出有效目标分量,再对选定的分量进行包络谱分析。实验分析表明,该方法可以提取单向阀故障特征,有较强的实用性;（2）针对（1）中降噪方法虽然可以对单向阀的振动信号起到很好的降噪作用,但其降噪过程中也会将有用信号剔除和传统随机共振在强噪声背景下不能达到很好的共振效果的问题,提出基于随机共振（Stochastic Resonance,SR）的单向阀故障检测方法。首先对故障振动信号使用（1）中降噪算法达到降噪目的,并通过相关系数最优确定奇异值分解过程中延迟步长和重构维数,进而最优的提取到效分量信号;利用蚁群算法对随机共振的参数进行寻优,随机共振特有的谱能量调配能力----利用噪声能量对单向阀故障特征信息进行分析;实验分析证明该方法能很好的提取单向阀故障特征,具有一定的可行性和有效性;（3）针对传统随机共振方法在故障诊断方面仅适用于小参数条件的问题,提出变步长随机共振对强噪声干扰下单向阀的振动信号进行相应的压缩比分析,达到在强噪声干扰下对单向阀的故障特征进行提取。首先对故障振动信号进行EMD降噪预处理,选取包含故障特征的本征模态函数（IMF）分量,对选取的本征模态函数分量进行变步长随机共振分析,完成单向阀的故障诊断;实验分析证明该方法能打破传统随机共振方法仅适用于小参数条件的约束,能较好的在强噪声干扰下提取出单向阀故障特征;论文主要以高压隔膜泵单向阀为研究对象,针对单向阀的振动信号被强噪声所干扰导致故障特征不明显且故障特征信息难以提取的问题,提出了一系列在强噪声干扰下的针对单向阀故障检测及诊断的方法,实现了单向阀在强噪声干扰下的故障特征提取及检测。
牟竹青[8]（2018）在《往复式高压隔膜泵单向阀的早期故障诊断研究》文中提出往复式高压隔膜泵是矿浆管道输送的核心动力设备,其工作运行状态是否正常直接影响到企业的生产效率。单向阀由于受较高的工作频率及复杂机理的影响,致使其成为高压隔膜泵中最易发生故障的部件。单向阀因受输送矿物的粒径级配、浆体流变特性等因素的影响,使单向阀故障具有突发性、并发性、多源性、不确定性等特点,同时单向阀振动信号也表现出非平稳性和非线性等特点。并且单向阀早期故障振动信号受周围部件及环境噪声的影响,反映故障特征的冲击成分在整个振动信号中很微弱,从而使单向阀的早期故障难以检测和诊断。针对此问题,本文展开了以下几点研究:（1）针对传统时域分解方法不能很好的将相近频率成分及微弱高频成分分离的问题,提出基于微分经验模态分解（Directional Empirical Mode Decomposition,DEMD）和K-L散度的单向阀早期故障检测方法。对故障振动信号进行DEMD算法分解达到降噪目的,并通过K-L散度值选有效分量信号,利用Hilbert边际谱对信号进行瞬时频谱分析故障特征信息,实验分析证明该方法能初步提取单向阀早期故障特征,具有一定的可行性和有效性;（2）针对DEMD方法在降噪的同时也削弱了有用信号的问题,提出优化随机共振（Stochastic Resonance,SR）和DEMD的单向阀早期故障检测方法。对故障振动信号进行变尺度预处理,并将其输入到优化参数后的SR系统中,对系统输出信号进行DEMD算法分解,利用包络谱分析故障特征信息,实验分析证明该方法能避免传统分解方法的弊端,能较好的提取出早期故障特征;（3）在特征提取方法的基础上,为了提高对单向阀故障类型的分类效果,提出基于核主元分析（Kernel Principal Component Analysis,KPCA）与最小二乘支持向量机（Least Squares Support Vector Machines,LSSVM）的故障诊断方法。利用KPCA对提取的时频域参数进行二次特征提取,并输入到优化参数后的LSSVM故障识别模型中进行故障分类,实验结果表明该方法能适当提高单向阀故障类型识别的准确率。论文主要以单向阀为研究对象,针对单向阀早期故障特征不明显且故障特征信息难以提取的问题,提出了一系列故障检测及诊断的方法,实现了单向阀早期故障特征的提取及故障分类问题。
王之宏[9]（2018）在《高压隔膜泵单向阀的故障诊断研究与应用》文中认为往复式高压隔膜泵作为长距离、高扬程固液两相流矿浆输送管道的动力源,广泛应用于工业生产的众多领域,而单向阀作为高压隔膜泵的核心部件,其运行中所出现的局部故障会导致非计划停机,直接影响企业的生产,甚至发生生产安全事故。因此建立高压隔膜泵故障诊断模型,在高压隔膜泵单向阀发生异常时,提取其振动信号中的早期故障特征,识别其故障类型并及时排除故障,是一个具有应用价值的研究方向。论文围绕高压隔膜泵单向阀运行状态监测与故障诊断等问题展开研究,解决高压隔膜泵振动信号特征提取、故障状态识别等关键问题与技术难点,具体内容如下:（1）针对高压隔膜泵实际运行过程中,无法获得足够的故障样本的问题,提出了基于固有时间尺度分解（Intrinsic Time-scale Decomposition,ITD）的时间序列（Auto Regressive,AR）模型,与支持向量数据域描述（Support Vector Data Description,SVDD）相结合的高压隔膜泵单向阀故障诊断方法,充分利用正常运行状态信息,建立基于正常运行状态的诊断模型。该方法通过ITD-AR方法提取振动信号的特征,并建立正常状态下SVDD模型,以振动信号特征向量偏离SVDD模型的程度来判断高压隔膜泵的运行状态,从而实现高压隔膜泵单向阀运行状态监测。（2）为了准确识别故障类型,提出了基于变分模态分解（Variation Mode Decomposition,VMD）能量熵和变量预测模型模式识别（Variable Predictive Model Based Class Discriminate,VPMCD）的高压隔膜泵单向阀故障诊断方法。该方法采用VMD方法对振动信号进行特征提取,得到振动信号的能量熵,并将VPMCD多分类模型引入故障诊断,建立体现特征值之间内在关系的VPM模型,并在此基础上对被测样本的特征值进行预测,将预测结果作为其故障分类依据,检测出高压隔膜泵单向阀的故障类型。（3）设计了高压隔膜泵单向阀的远程状态监测系统,其中主要包含客户端硬件采集和上位机软件分析两个部分,硬件采集以MPU6050实现采集信号,STM32作为主控芯片,ENC28J60作为传输信号模块。Visual Studio开发上位机分析功能模块,调用Matlab内嵌算法进行信号的分析与处理,监测其运行状态,诊断其故障类型。论文以高压隔膜泵单向阀作为研究对象,解决了高压隔膜泵单向阀振动信号的特征提取、故障状态识别等关键问题与技术难点,具有一定的实际应用价值。
骆家银[10]（2015）在《钻井泵泵阀系统磨损与失效分析研究》文中研究指明钻井泵是钻井过程中的重要设备,用于输送井底循环钻井液。在钻井泵的工作过程中,由于承受较大而不稳定的载荷,工作环境十分恶劣。正是恶劣的工作环境及自身工作原理,导致钻井泵的液力端存在着极易损坏的部件,包括活塞、缸套、泵阀系统（阀体、阀座、阀弹簧、阀橡胶密封圈和密封圈压板等）。钻井泵易损件的存在,严重影响钻井泵的工作效率,严重制约着生产效率的提高。针对上述问题,本文对常见易损件之——泵阀系统的失效形式进行分析,确立了泵阀系统的主要失效机理；利用MATLAB软件对阀体的运动微分方程进行求解,将求解的结果作为初始条件,对泵阀系统开展了流场仿真分析和冲击动力学仿真分析；并就不同阀座类型的泵阀系统进行了脉冲循环应力作用下的疲劳寿命分析研究；最终提出了在原泵阀系统的基础上的改进方案,并进行了初步分析研究,以提高泵阀系统的冲击磨损与冲蚀磨损性能。在上述研究过程中,取得的主要成果包括：（1）对泵阀系统常见失效形式进行研究,并通过与各磨损机理进行对比发现,泵阀系统主要的失效机理包括冲蚀磨损、冲击磨损及磨料磨损等；（2）通过对阀体的运动微分方程进行求解,求解出阀体运动的升程曲线,可以看出其近似呈抛物线型或纺锤型,且阀体锥角、冲次等因素对阀体的运动,都有一定的影响,但影响方式和程度不同；（3）在泵阀系统流场中,阀隙处的流场速度较大,且阀隙处流场方向并不是完全沿阀隙方向的,而是与壁面之间呈一定角度。同时由于流场分布的不均匀性,在流场中液缸靠近阀体位置、阀体上表面及液缸端盖附近产生较强的漩涡,漩涡将使钻井液速度增加,从而带动钻井液中的粒子对泵阀系统及液缸相应部分产生强烈冲蚀作用。泵阀系统内的流场分布影响因素包括阀体锥角、冲次等。冲击粒子的大小、形状、冲击速度、角度等对粒子与靶材间的冲蚀作用也有着重要的影响；（4）由于阀体和阀座之间巨大的冲击力作用,将在阀体和阀座上产生较大的应力集中,经过多次疲劳冲击后,将导致应力冲击部位因发生冲击疲劳磨损而损坏。同时橡胶密封圈厚度、阀体锥角、阀座外锥角、阀座类型等对泵阀系统的冲击特性存在影响；（5）提出了阀体与阀座之间采用球面接触和采用缓冲液缸结构两种结构改进方案,两种结构的泵阀系统分别具有减小冲蚀磨损与冲击磨损作用。本文从泵阀系统的主要失效形式出发,建立了一套较为完善的对钻井泵泵阀系统磨损与失效进行仿真分析的方法,该方法对于后续钻井泵泵阀系统的结构设计和参数优选等具有一定的参考价值。
二、往复泵泵阀故障的细化谱诊断法（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、往复泵泵阀故障的细化谱诊断法（论文提纲范文）
（1）基于数学形态学与混沌理论的滚动轴承故障诊断研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 基于振动信号分析的滚动轴承故障诊断研究现状 |
| 1.2.1 故障特征增强方法研究现状 |
| 1.2.2 故障特征提取方法研究现状 |
| 1.2.3 故障模式识别方法研究现状 |
| 1.3 本文主要研究内容与结构安排 |
| 第2章 基于数学形态学滤波的滚动轴承振动信号降噪方法 |
| 2.1 引言 |
| 2.2 数学形态学理论 |
| 2.2.1 形态学基本运算 |
| 2.2.2 多尺度形态学滤波 |
| 2.3 基于偏微分方程理论的形态学运算 |
| 2.3.1 偏微分方程基本理论 |
| 2.3.2 P-M各向异质扩散滤波 |
| 2.3.3 基于PDEs的形态学运算 |
| 2.4 振动信号的平滑形态滤波降噪 |
| 2.4.1 多尺度形态学降噪滤波器的构造 |
| 2.4.2 基于PDEs的形态学降噪滤波器的构造 |
| 2.4.3 信号聚合与平滑 |
| 2.5 轴承故障仿真信号分析 |
| 2.5.1 轴承局部缺陷故障模型 |
| 2.5.2 基于PSMMF的降噪分析 |
| 2.5.3 对比分析 |
| 2.6 实例信号验证 |
| 2.7 本章小结 |
| 第3章 基于复合尺度形态分形维数的滚动轴承故障特征提取方法 |
| 3.1 引言 |
| 3.2 形态学分形维数基本理论 |
| 3.2.1 基于MC的分形维数估计 |
| 3.2.2 基于FCT方案的形态学分形维数估计 |
| 3.2.3 参数对PDEs-MFD估计的影响 |
| 3.2.4 形态学分形维数估计方法比较 |
| 3.3 复合多尺度形态学分形维数 |
| 3.3.1 多尺度形态学分形维数估计 |
| 3.3.2 复合多尺度形态学分形维数 |
| 3.3.3 基于CMMFD的故障特征提取方法流程 |
| 3.4 仿真信号分析 |
| 3.5 实测故障信号分析 |
| 3.6 本章小结 |
| 第4章 混沌振子与形态分析相结合的滚动轴承故障诊断方法 |
| 4.1 引言 |
| 4.2 典型的混沌振子动力学特性分析 |
| 4.2.1 Duffing振子的动力学特性分析 |
| 4.2.2 Lorenz振子的动力学特性分析 |
| 4.2.3 定性判据的抗噪性能分析 |
| 4.3 典型的混沌振子的形态特征分析 |
| 4.3.1 Duffing振子的CMMFD特征提取 |
| 4.3.2 Lorenz振子的CMMFD特征提取 |
| 4.4 基于形态学分形维数与混沌振子的故障诊断方法 |
| 4.4.1 抗噪性能分析 |
| 4.4.2 混沌振子状态判断 |
| 4.4.3 检测盲区的消除 |
| 4.4.4 故障诊断流程 |
| 4.5 仿真实验分析 |
| 4.6 实验信号验证 |
| 4.7 本章小结 |
| 第5章 基于连续尺度形态差值谱的轴承性能退化评估方法 |
| 5.1 引言 |
| 5.2 连续尺度数学形态谱 |
| 5.2.1 数学形态谱基本理论 |
| 5.2.2 广义数学形态谱 |
| 5.2.3 连续尺度数学形态谱 |
| 5.2.4 不同方法对比分析 |
| 5.3 基于连续尺度形态差值谱的轴承性能退化评估方法 |
| 5.3.1 基于局部保留投影的高维特征降维的方法 |
| 5.3.2 基于嵌入式隐马尔可夫模型的分类方法 |
| 5.3.3 基于连续尺度数学形态谱的轴承退化性能评估流程 |
| 5.4 实验分析 |
| 5.5 本章小结 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其它成果 |
| 攻读博士学位期间参加的科研工作 |
| 致谢 |
| 作者简介 |
（2）基于深度学习的小样本条件下轴承故障诊断技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 课题来源 |
| 1.2 选题背景与工程意义 |
| 1.3 轴承故障诊断国内外研究现状 |
| 1.3.1 轴承故障信号特征提取研究现状 |
| 1.3.2 基于深度学习的诊断方法研究现状 |
| 1.4 小样本条件下故障诊断研究现状 |
| 1.4.1 数据层面对小样本问题的探索 |
| 1.4.2 算法层面对小样本问题的探索 |
| 1.4.3 数据和算法相结合对小样本问题的探索 |
| 1.5 综述剖析 |
| 1.6 论文的主要研究内容 |
| 第2章 轴承试验平台搭建与卷积神经网络模型建立 |
| 2.1 引言 |
| 2.2 轴承试验平台的搭建 |
| 2.2.1 试验平台的搭建 |
| 2.2.2 硬件选型及测试原理 |
| 2.2.3 实验设置 |
| 2.2.4 数据采集及分析 |
| 2.3 卷积神经网络结构介绍 |
| 2.3.1 卷积层 |
| 2.3.2 激活层 |
| 2.3.3 池化层 |
| 2.3.4 全连接层 |
| 2.4 卷积神经网络模型建立 |
| 2.4.1 数据集建立 |
| 2.4.2 模型验证及分析 |
| 2.5 本章小结 |
| 第3章 基于AdaBN算法和大尺寸卷积的模型改进 |
| 3.1 引言 |
| 3.2 变负载条件下模型性能分析 |
| 3.2.1 变负载数据集建立 |
| 3.2.2 基于AdaBN算法的模型优化 |
| 3.2.3 模型自适应能力分析 |
| 3.3 信号含噪声条件下模型性能分析 |
| 3.3.1 信号加噪声处理 |
| 3.3.2 第一层卷积核尺寸对模型抗噪性能影响的探究 |
| 3.3.3 第一层卷积核可视化 |
| 3.3.4 分类过程可视化 |
| 3.3.5 模型抗噪性对比 |
| 3.4 模型的可视化分析 |
| 3.4.1 神经元可视化 |
| 3.4.2 诊断过程可视化 |
| 3.5 本章小结 |
| 第4章 小样本条件下的模型改进 |
| 4.1 引言 |
| 4.2 基于数据层面的模型改进 |
| 4.2.1 过采样技术 |
| 4.2.2 GAN算法 |
| 4.3 基于算法层面的模型改进 |
| 4.3.1 小批量训练 |
| 4.3.2 Dropout算法 |
| 4.4 小样本条件下模型性能分析 |
| 4.4.1 小样本数据集建立 |
| 4.4.2 样本量对模型的影响 |
| 4.4.3 模型领域自适应能力对比 |
| 4.4.4 模型抗噪性能对比 |
| 4.5 优化模型的整体框架 |
| 4.6 本章小结 |
| 第5章 故障诊断系统的研制 |
| 5.1 引言 |
| 5.2 软件开发平台与系统总体框架 |
| 5.2.1 软件开发语言和库的介绍 |
| 5.2.2 软件系统的总体框架 |
| 5.3 登录界面展示 |
| 5.4 轴承数据分析 |
| 5.4.1 轴承数据的时域分析 |
| 5.4.2 轴承数据的频域分析 |
| 5.4.3 轴承数据的时频域分析 |
| 5.5 典型故障样例库展示 |
| 5.6 基于轴承数据的智能故障诊断 |
| 5.7 本章小结 |
| 总结与展望 |
| 总结 |
| 展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间的学术成果与参与项目 |
（3）基于深度置信网络的高压隔膜泵单向阀故障诊断研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 往复式泵阀及单向阀故障诊断研究现状 |
| 1.2.1 基于数学模型及故障机理的往复式泵阀故障诊断研究现状 |
| 1.2.2 基于数据驱动的往复式泵阀故障诊断研究现状 |
| 1.2.3 单向阀故障诊断研究现状 |
| 1.3 基于深度置信网络的故障诊断研究现状 |
| 1.4 论文主要研究内容和结构安排 |
| 1.4.1 论文主要研究内容 |
| 1.4.2 论文的结构安排 |
| 第二章 时频分布图像特征提取 |
| 2.1 高压隔膜泵工作原理 |
| 2.2 单向阀故障类型 |
| 2.3 单向阀振动信号采集 |
| 2.4 单向阀振动信号的时频分布 |
| 2.4.1 时频分析方法 |
| 2.4.2 实验分析 |
| 2.5 本章小结 |
| 第三章 基于广义S变换-2DNMF和DBN的单向阀故障诊断 |
| 3.1 二维非负矩阵分解 |
| 3.2 深度置信网络模型 |
| 3.2.1 受限玻尔兹曼机 |
| 3.2.2 BP后向微调 |
| 3.2.3 深度置信网络 |
| 3.2.4 主要参数 |
| 3.3 实验分析 |
| 3.3.1 实验方法 |
| 3.3.2 实验结果与分析 |
| 3.4 本章小结 |
| 第四章 基于广义S变换和CDBN的单向阀故障诊断 |
| 4.1 卷积深度置信网络模型 |
| 4.1.1 卷积受限玻尔兹曼机 |
| 4.1.2 卷积深度置信网络 |
| 4.2 图像预处理 |
| 4.3 实验分析 |
| 4.3.1 实验方法 |
| 4.3.2 实验结果与分析 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 论文研究工作总结 |
| 5.2 研究展望 |
| 参考文献 |
| 致谢 |
| 附录 A (攻读硕士期间发表的论文) |
| 附录 B (攻读硕士期间申请的专利) |
（4）基于特征优化与自主学习的滚动轴承故障诊断与性能退化评估（论文提纲范文）
| 摘要 |
| Abstract |
| 缩略语一览表 |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 基于振动信号的旋转故障诊断研究现状 |
| 1.2.1 传统信号特征提取方法 |
| 1.2.2 基于特征优化方法的旋转机械故障诊断与性能退化评估 |
| 1.2.3 基于特征自主学习的旋转机械故障诊断与性能退化评估 |
| 1.3 课题来源及主要研究内容 |
| 1.3.1 课题来源与问题提出 |
| 1.3.2 研究内容和技术路线 |
| 1.3.3 论文的章节安排 |
| 第2章 基于LFSS与 FSBBA特征优化的恒定工况滚动轴承性能退化评估 |
| 2.1 引言 |
| 2.2 基于LFSS与 FSBBA的特征选择方法 |
| 2.2.1 基于LFSS的早期样本选择 |
| 2.2.2 基于FSBBA的特征选择 |
| 2.2.3 BBA与 FSBBA的性能比较 |
| 2.3 基于LFSS与 FSBBA的滚动轴承性能退化评估模型 |
| 2.4 LFSS与 FSBBA在滚动轴承性能退化评估中的应用 |
| 2.5 本章小结 |
| 第3章 基于NAP特征优化的变工况滚动轴承故障诊断与性能退化评估 |
| 3.1 引言 |
| 3.2 NAP方法 |
| 3.3 仿真信号分析 |
| 3.4 实测信号分析 |
| 3.5 基于NAP特征的滚动轴承故障诊断 |
| 3.6 基于NAP特征的滚动轴承故障定量诊断与性能退化评估 |
| 3.6.1 不同故障程度的轴承信号分析 |
| 3.6.2 轴承全寿命信号分析 |
| 3.7 NAP与 RMI的应用顺序分析 |
| 3.8 本章小结 |
| 第4章 基于CSCL特征自主学习的恒定工况滚动轴承性能退化评估 |
| 4.1 引言 |
| 4.2 CSCL方法 |
| 4.2.1 CSC方法 |
| 4.2.2 ADMM方法 |
| 4.2.3 CL方法 |
| 4.2.4 自适应阈值 |
| 4.3 基于CSCL的滚动轴承性能退化评估方法 |
| 4.3.1 训练阶段 |
| 4.3.2 测试阶段 |
| 4.4 CSCL在滚动轴承性能退化评估中的应用 |
| 4.4.1 训练模型的建立与验证 |
| 4.4.2 滚动轴承性能退化评估 |
| 4.4.3 性能退化评估方法比较 |
| 4.4.4 组合学习与单字典学习的耗时比较 |
| 4.5 本章小结 |
| 第5章 基于一维MC-CNN特征自主学习的恒定工况滚动轴承故障诊断 |
| 5.1 引言 |
| 5.2 卷积神经网络 |
| 5.2.1 CNN的结构 |
| 5.2.2 CNN的训练技巧 |
| 5.3 MC-CNN方法 |
| 5.3.1 MC-CNN模型 |
| 5.3.2 MC-CNN的训练 |
| 5.4 基于MC-CNN的滚动轴承故障诊断 |
| 5.4.1 不同训练样本集的故障诊断结果与比较 |
| 5.4.2 基于MC-CNN的滚动轴承故障诊断结果分析 |
| 5.4.3 不同噪声信号的故障诊断结果与比较 |
| 5.5 本章小结 |
| 第6章 基于二维MC-CNN特征自主学习的变工况滚动轴承故障诊断 |
| 6.1 引言 |
| 6.2 小波时频分析理论 |
| 6.3 二维MC-CNN |
| 6.4 基于小波时频图和二维MC-CNN的变工况滚动轴承故障诊断 |
| 6.5 实验信号分析 |
| 6.5.1 实验介绍 |
| 6.5.2 网络超参数设置 |
| 6.5.3 诊断结果分析 |
| 6.5.4 诊断结果对比 |
| 6.6 本章小结 |
| 结论与展望 |
| 参考文献 |
| 致谢 |
| 附录 A 攻读学位期间发表和录用的论文目录 |
| 附录 B 攻读学位期间参与的科研项目 |
（6）高压隔膜泵单向阀的微弱故障诊断研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 论文选题背景与研究意义 |
| 1.2 往复式隔膜泵及单向阀故障诊断的国内外研究现状 |
| 1.2.1 基于数学模型及故障特性的往复式隔膜泵故障诊断研究 |
| 1.2.2 基于信号处理和机器学习的往复式隔膜泵故障识别研究 |
| 1.2.3 往复式隔膜泵单向阀故障诊断的研究现状 |
| 1.3 微弱故障特征提取方法及诊断方法的研究现状 |
| 1.4 论文主要研究内容和结构安排 |
| 1.4.1 论文主要研究内容 |
| 1.4.2 论文的结构安排 |
| 1.5 本章小结 |
| 第二章 基于变分模态分解和Wigner-Ville的单向阀微弱故障检测 |
| 2.1 高压隔膜泵单向阀及其振动原理分析 |
| 2.1.1 高压隔膜泵工作原理 |
| 2.1.2 单向阀结构及振动分析 |
| 2.2 单向阀故障类型及失效机理 |
| 2.2.1 单向阀典型故障类型 |
| 2.2.2 单向阀失效机理 |
| 2.3 单向阀振动信号的采集 |
| 2.4 基于变分模态分解和Wigner-Ville的单向阀微弱故障检测方法 |
| 2.4.1 VMD原理方法 |
| 2.4.2 Wigner-Ville分布 |
| 2.4.3 变分模态分解和Wigner-Ville的微弱故障检测方法及实现过程 |
| 2.5 工程实验结果分析 |
| 2.6 本章小结 |
| 第三章 基于VMD-SVD的单向阀微弱故障特征提取及诊断方法 |
| 3.1 SVD原理方法 |
| 3.1.1 SVD理论及其性质 |
| 3.1.2 构造SVD矩阵 |
| 3.2 VPMCD基本思想 |
| 3.3 基于VMD-SVD和 VPMCD的单向阀微弱故障诊断方法 |
| 3.4 工程实验分析 |
| 3.4.1 实验分析 |
| 3.4.2 对比研究实验 |
| 3.5 本章小结 |
| 第四章 基于自适应随机共振和MFVPMCD的单向阀微弱故障诊断方法 |
| 4.1 随机共振理论 |
| 4.1.1 双稳随机共振系统 |
| 4.1.2 双稳随机共振系统的信噪比 |
| 4.2 自适应随机共振 |
| 4.2.1 变尺度随机共振 |
| 4.2.2 粒子群算法优化算法 |
| 4.2.3 自适随机共振系统 |
| 4.3 MFVPMCD原理方法 |
| 4.4 基于自适应随机共振和MFVPMCD的单向阀微弱故障诊断 |
| 4.5 工程实验分析 |
| 4.5.1 实验分析 |
| 4.5.2 对比研究实验 |
| 4.6 本章小结 |
| 第五章 总结与展望 |
| 5.1 论文研究工作总结 |
| 5.2 研究展望 |
| 参考文献 |
| 致谢 |
| 附录A (攻读硕士期间发表的论文) |
| 附录B (攻读硕士期间申请的专利及软件着作权) |
（7）强噪声干扰下的单向阀故障诊断方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 论文选题背景与研究意义 |
| 1.2 往复式机械故障诊断的国内外研究现状 |
| 1.2.1 基于故障机理的故障诊断研究 |
| 1.2.2 基于振动信号处理的故障诊断研究 |
| 1.2.3 往复式单向阀的研究现状 |
| 1.2.4 强噪声干扰下故障诊断方法及研究现状 |
| 1.3 论文主要研究内容和结构安排 |
| 1.3.1 论文主要研究内容 |
| 1.3.2 论文的结构组织安排 |
| 第二章 高压隔膜泵工作原理及单向阀运行机理分析 |
| 2.1 高压隔膜泵原理 |
| 2.2 单向阀运行机理分析 |
| 2.3 单向阀主要故障类型及其失效机理分析 |
| 2.3.1 单向阀主要故障类型 |
| 2.3.2 单向阀失效机理 |
| 2.4 单向阀振动信号采集系统 |
| 2.5 本章小结 |
| 第三章 相关系数SVD降噪的单向阀故障诊断方法 |
| 3.1 EMD降噪方法研究 |
| 3.1.1 EMD算法理论 |
| 3.2 相关系数SVD基本理论 |
| 3.2.1 奇异值分解降噪理论 |
| 3.2.2 相关系数SVD(CCSVD) |
| 3.3 EMD辅助相关系数SVD降噪单向阀故障检测方法 |
| 3.4 实验分析 |
| 3.4.1 仿真信号分析 |
| 3.4.2 工程实验验证 |
| 3.5 本章小结 |
| 第四章 基于随机共振的单向阀故障诊断方法 |
| 4.1 随机共振理论 |
| 4.1.1 双稳随机共振系统 |
| 4.1.2 传统随机共振仿真分析 |
| 4.2 随机共振系统的参数优化 |
| 4.2.1 蚁群算法 |
| 4.2.2 双稳随机共振系统参数优化 |
| 4.3 相关系数SVD降噪增强随机共振的单向阀故障诊断方法 |
| 4.4 实验分析 |
| 4.4.1 仿真信号分析 |
| 4.4.2 工程实验验证 |
| 4.5 本章小结 |
| 第五章 变步长随机共振的单向阀故障诊断方法 |
| 5.1 变步长随机共振 |
| 5.2 EMD消噪增强变步长随机共振的单向阀故障诊断方法 |
| 5.3 实验分析 |
| 5.3.1 变步长随机共振对比分析 |
| 5.3.2 变步长随机共振故障信号处理 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文主要研究总结 |
| 6.2 研究展望 |
| 参考文献 |
| 致谢 |
| 附录 A(攻读硕士期间发表的论文) |
| 附录 B(攻读硕士期间申请的专利) |
（8）往复式高压隔膜泵单向阀的早期故障诊断研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 论文选题背景与研究意义 |
| 1.2 往复式机械设备的国内外研究现状 |
| 1.2.1 基于故障机理的往复式机械设备故障诊断研究 |
| 1.2.2 基于信号处理和机器学习的故障运行状态识别研究 |
| 1.2.3 往复式机械中单向阀的研究现状 |
| 1.3 早期故障诊断方法及研究现状 |
| 1.4 论文主要研究内容和结构安排 |
| 1.4.1 论文主要研究内容 |
| 1.4.2 论文的结构安排 |
| 第二章 单向阀工作原理及故障类型分析 |
| 2.1 高压隔膜泵原理简述 |
| 2.2 单向阀的结构建模 |
| 2.3 单向阀故障类型及失效机理 |
| 2.3.1 单向阀典型故障类型 |
| 2.3.2 单向阀失效机理 |
| 2.4 单向阀振动信号的采集 |
| 2.5 本章小结 |
| 第三章 基于DEMD和K-L散度的单向阀早期故障检测 |
| 3.1 DEMD原理及方法研究 |
| 3.1.1 EMD算法基本理论 |
| 3.1.2 DEMD算法基本理论 |
| 3.1.3 EMD和DEMD算法仿真信号对比 |
| 3.2 基于K-L散度的IMF分量选择算法 |
| 3.3 Hilbert边际谱 |
| 3.4 基于DEMD和K-L散度的单向阀早期故障检测方法 |
| 3.5 实验分析 |
| 3.5.1 仿真信号分析 |
| 3.5.2 工程实验验证 |
| 3.6 本章小结 |
| 第四章 基于优化随机共振和DEMD的单向阀早期故障检测 |
| 4.1 随机共振理论 |
| 4.1.1 双稳随机共振系统 |
| 4.1.2 随机共振信噪比度量方法 |
| 4.2 随机共振系统的参数选择 |
| 4.2.1 变尺度预处理 |
| 4.2.2 粒子群算法优化系统参数 |
| 4.3 Hilbert包络分析 |
| 4.4 基于优化随机共振和DEMD的单向阀早期故障检测方法 |
| 4.5 实验分析 |
| 4.5.1 仿真信号分析 |
| 4.5.2 工程实验验证 |
| 4.6 本章小结 |
| 第五章 基于KPCA-LSSVM的单向阀故障诊断研究 |
| 5.1 特征参数的提取 |
| 5.2 核主元分析 |
| 5.2.1 核主元分析基本原理 |
| 5.2.2 核主元分析故障特征提取的步骤 |
| 5.3 最小二乘支持向量机基本理论 |
| 5.3.1 支持向量机概述 |
| 5.3.2 最小二乘支持向量机 |
| 5.3.3 最小二乘支持向量机的参数优化 |
| 5.4 基于KPCA-LSSVM的单向阀故障诊断方法 |
| 5.5 实验分析 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文主要研究总结 |
| 6.2 研究展望 |
| 参考文献 |
| 致谢 |
| 附录A (攻读硕士期间发表的论文) |
| 附录B (攻读硕士期间申请的专利) |
| 附录C (攻读硕士期间申请的软件着作权) |
（9）高压隔膜泵单向阀的故障诊断研究与应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 论文研究背景及意义 |
| 1.2 往复式机械故障诊断方法的国内外研究进程 |
| 1.2.1 国外研究进程 |
| 1.2.2 国内研究进程 |
| 1.3 高压隔膜泵单向阀故障诊断机理 |
| 1.3.1 高压隔膜泵与单向阀原理介绍 |
| 1.3.2 单向阀正常状态频率分析 |
| 1.4 论文主要的研究思路及其内容安排 |
| 1.4.1 论文的研究思路 |
| 1.4.2 论文的内容安排 |
| 1.4.3 论文的研究成果及创新点 |
| 第二章 ITD-AR模型和SVDD的高压隔膜泵单向阀故障诊断方法研究 |
| 2.1 引言 |
| 2.2 基于ITD-AR模型和SVDD的信号分析与诊断方法 |
| 2.2.1 ITD-AR模型简介 |
| 2.2.2 基于SVDD模型简介 |
| 2.3 基于ITD-AR模型和SVDD的高压隔膜泵单向阀故障诊断 |
| 2.3.1 仿真分析 |
| 2.3.2 实验分析 |
| 2.3.3 对比实验 |
| 2.4 本章小结 |
| 第三章 VMD能量熵和VPMCD的高压隔膜泵单向阀故障诊断方法研究 |
| 3.1 引言 |
| 3.2 基于VMD能量熵和VPMCD的信号分析与诊断方法 |
| 3.2.1 VMD能量熵基本理论 |
| 3.2.2 VPMCD方法概述 |
| 3.3 基于VMD能量熵和VPMCD的高压隔膜泵单向阀故障诊断 |
| 3.3.1 仿真分析 |
| 3.3.2 实验分析 |
| 3.3.3 对比实验 |
| 3.4 本章小结 |
| 第四章 高压隔膜泵单向阀远程监测系统研究与开发 |
| 4.1 高压隔膜泵单向阀远程监测系统的整体方案 |
| 4.2 硬件系统的设计方案概述 |
| 4.2.1 振动信号采集 |
| 4.2.2 控制模块 |
| 4.2.3 以太网传输 |
| 4.3 软件系统的设计方案概述 |
| 4.3.1 软件整体功能描述 |
| 4.3.2 上位机软件系统功能说明 |
| 4.3.3 软件通信调试与分析 |
| 4.4 界面设计与系统数据分析 |
| 4.4.1 上位机界面设计与说明 |
| 4.4.2 系统数据分析 |
| 4.5 本章小结 |
| 第五章 结论与展望 |
| 5.1 本文主要研究成果 |
| 5.2 进一步工作展望 |
| 参考文献 |
| 致谢 |
| 附录A(攻读硕士期间发表的论文) |
| 附录B(攻读硕士期间授权的软件着作权) |
| 附录C(论文公式符号) |
（10）钻井泵泵阀系统磨损与失效分析研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究的背景与目的意义 |
| 1.2 研究现状 |
| 1.3 研究内容 |
| 1.4 研究思路 |
| 第2章 泵阀系统失效形式与失效机理 |
| 2.1 泵阀常见失效形式 |
| 2.2 泵阀失效机理 |
| 2.2.1 磨料磨损 |
| 2.2.2 冲蚀磨损 |
| 2.2.3 疲劳损坏 |
| 2.2.4 冲击载荷在泵阀系统内的传播 |
| 2.3 失效机理在泵阀系统失效上表现 |
| 2.4 本章小结 |
| 第3章 泵阀系统阀体运动规律研究 |
| 3.1 泵阀系统研究对象的确立 |
| 3.2 钻井泵阀体运动规律分析 |
| 3.2.1 阿道尔夫运动微分方程 |
| 3.2.2 考虑液体压缩性运动规律研究 |
| 3.2.3 泵阀运动微分方程求解结果分析 |
| 3.2.4 后续分析阀体运动参数的提取 |
| 3.3 本章小结 |
| 第4章 泵阀系统流场分析与冲蚀磨损分析 |
| 4.1 泵阀系统钻井液物性分析 |
| 4.2 钻井液特性分析研究 |
| 4.2.1 流体动力学控制方程 |
| 4.2.2 钻井液本构模型 |
| 4.3 阀隙流场理论分析研究 |
| 4.4 泵阀系统流场仿真分析研究 |
| 4.4.1 流场3D模型的建立 |
| 4.4.2 网格划分与边界的确立 |
| 4.4.3 边界条件的设定与求解参数的设置 |
| 4.4.4 泵阀三维流场结果分析 |
| 4.4.5 不同阀体锥角下流场对比分析研究 |
| 4.4.6 不同冲次下流场对比分析研究 |
| 4.4.7 泵阀系统多相流分析研究 |
| 4.5 钻井液磨料磨损与冲蚀磨损分析研究 |
| 4.5.1 磨料磨损简化模型的建立 |
| 4.5.2 固体颗粒与泵阀系统接触模型的建立 |
| 4.5.3 固体粒子冲击泵阀系统分析研究 |
| 4.6 本章小结 |
| 第5章 泵阀系统冲击仿真与冲击疲劳寿命分析 |
| 5.1 泵阀系统冲击力学分析 |
| 5.2 冲击过程仿真分析研究 |
| 5.2.1 有限元模型的建立与边界条件设置 |
| 5.2.2 碰撞过程分析 |
| 5.2.3 橡胶密封圈伸出厚度对冲击特性影响 |
| 5.2.4 阀体锥角对冲击特性影响 |
| 5.2.5 阀座外锥角对冲击特性影响 |
| 5.2.6 阀座类型对泵阀系统冲击特性的影响 |
| 5.3 泵阀系统疲劳寿命分析研究 |
| 5.3.1 疲劳分析方法的选择 |
| 5.3.2 应力疲劳分析理论 |
| 5.3.3 疲劳裂纹扩展过程 |
| 5.3.4 不同阀座类型的泵阀系统寿命分析 |
| 5.4 本章小结 |
| 第6章 新型钻井泵泵阀设计与分析初探 |
| 6.1 阀体与阀座接触面改进 |
| 6.1.1 改进前后流场对比分析研究 |
| 6.1.2 改进前后冲击性能分析研究 |
| 6.2 带缓冲结构的钻井泵泵阀系统 |
| 6.3 本章小结 |
| 第7章 结论与展望 |
| 7.1 结论与创新点 |
| 7.1.1 结论 |
| 7.1.2 本文创新点 |
| 7.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| 攻读硕士学位期间发表的论文及科研成果 |
四、往复泵泵阀故障的细化谱诊断法（论文参考文献）
- [1]基于数学形态学与混沌理论的滚动轴承故障诊断研究[D]. 闫晓丽. 华北电力大学(北京), 2021(01)
- [2]基于深度学习的小样本条件下轴承故障诊断技术研究[D]. 孙弋. 西南交通大学, 2020(07)
- [3]基于深度置信网络的高压隔膜泵单向阀故障诊断研究[D]. 罗继辉. 昆明理工大学, 2020(05)
- [4]基于特征优化与自主学习的滚动轴承故障诊断与性能退化评估[D]. 黄文艺. 湖南大学, 2019
- [5]基于变分模态分解和Wigner-Ville的单向阀早期故障诊断[J]. 吴漫,冯早,黄国勇,牟竹青. 中国测试, 2019(04)
- [6]高压隔膜泵单向阀的微弱故障诊断研究[D]. 吴漫. 昆明理工大学, 2019(04)
- [7]强噪声干扰下的单向阀故障诊断方法研究[D]. 张丹威. 昆明理工大学, 2019(04)
- [8]往复式高压隔膜泵单向阀的早期故障诊断研究[D]. 牟竹青. 昆明理工大学, 2018(01)
- [9]高压隔膜泵单向阀的故障诊断研究与应用[D]. 王之宏. 昆明理工大学, 2018(01)
- [10]钻井泵泵阀系统磨损与失效分析研究[D]. 骆家银. 西南石油大学, 2015(08)